胡 璇， 李 春,2， 叶柯华

(1.上海理工大学 能源与动力工程学院，上海 200093； 2.上海市动力工程多相流动与传热重点实验室，上海 200093)

随着风力机趋于大型化发展，其传动系统也越来越复杂，同时其服役环境具有显著的非定常性，风力机齿轮箱时刻处于非平稳交变载荷作用下。受多样传递路径和调制作用等影响，其振动信号具有明显的非线性和非平稳性。因此，在强噪声背景中提取风力机齿轮箱的振动信号特征是故障诊断的重点和难点[1-3]。

信号分解为故障诊断重要的预处理过程，为剔除冗余及构建故障特征向量提供基础信息。目前，常见的分解方法有集合经验模态分解(EEMD)、固有时间尺度分解(ITD)及经验小波变换(EWT)分解等[4-6]。胡茑庆等[7]利用经验模态分解(EMD)对齿轮箱振动信号进行分解，辅以峭度重构信号，实现信号特征的有效提取。Gaci[8]提出基于EEMD分解的新去噪技术，并与离散小波变换进行比较以获得良好的降噪效果。Park等[9]对齿轮箱传动故障信号进行EEMD分解，提取本征模态函数(IMF)分量的波峰系数和形状系数作为故障特征，结合k值临近算法对故障进行分类。Xing等[10]将齿轮振动信号通过ITD分解为若干相互独立的固有旋转(PR)分量，结合奇异值分解以提高复杂工况下信号特征提取的鲁棒性。Feng等[11]基于振幅和频率解调方法，采用ITD用于齿轮箱故障诊断，并将所得振幅和频率解调频谱与理论齿轮故障特征频率进行匹配，以此识别故障类型。Chen等[12]利用EWT对风力机振动信号进行自适应分割，并构造小波滤波器提取调幅-调频函数，在归一化处理后，通过概率神经网络达到90%的诊断准确率。……